外卖员给AI打工？从送餐到「喂」数据，800万骑手成AI训练师
外卖骑手如何成为AI模型训练的关键数据源？
DoorDash近期低调上线的“Tasks”应用，揭示了一个行业新动向。这款应用允许其庞大的外卖骑手网络，在完成配送后，通过拍摄街景、录制视频或采集特定照片来获取额外报酬。平台宣称，此举旨在为商家提供真实的线下洞察，并帮助AI与机器人系统更精准地理解物理世界。
（图源：knowledgewharton）
这标志着一个关键的转变：骑手的价值正在从单一的餐饮配送，延伸到现实世界训练数据的生产环节。传统的AI训练依赖互联网公开数据与人工标注，而Tasks的出现，预示着数据争夺战正从数字领域转向物理世界的复杂长尾场景。一个核心问题随之浮现：在众多数据采集方式中，为何平台将筹码押在了外卖员身上？
平台的数据采集网络：以众包模式激活骑手
需要明确的是，Tasks并非配送流程的强制附加项，而是一个独立的零工任务平台。骑手可以在送餐订单之外，自主领取各类数据采集任务，范围涵盖记录店面信息、捕捉特定日常动作、甚至录制自然语言对话等。尽管平台为每项任务提供报酬，但其专业性与耗时程度远超“随手拍拍”。
据《洛杉矶时报》披露，Tasks的任务清单复杂多样，涉及多语言对话录制、家庭场景行为拍摄及模拟自动驾驶环境应对等。这表明，骑手为赚取这份外快所需投入的精力与专业技能要求并不低。
（图源：DoorDash）
显然，DoorDash的目标是获取标准化、高复用性的现实世界音视频数据集。依托其宣称的“超800万骑手覆盖城市毛细血管”的网络优势，平台实质上构建了一条高效、低成本的AI训练数据采集流水线。一个现实的考量是报酬：根据WIRED的实际测试，一项标注“时薪15美元”的洗衣过程拍摄任务，实际报酬估算仅为0.37美元；而扫描货架等任务则可能显示16美元报酬。酬劳的巨大差异，直接反映了不同数据样本对AI模型训练的潜在价值。
平台为何愿意为这些琐碎场景付费？答案指向数据的终极去向：这些由骑手采集的一手资料，将用于训练DoorDash自身及其合作伙伴的AI模型。值得注意的是，DoorDash已于今年3月正式推出自研配送机器人Dot，目前正处于小范围测试阶段。
（图源：DoorDash）
对DoorDash而言，其战略目标是攻克AI大模型落地中最棘手的“长尾场景”。那些无法从标准图片或文本中习得的细节——例如被临时遮挡的店铺招牌、非标入口、或杂乱货架的摆放逻辑——恰恰是机器人实现自主导航与操作的核心难点。Tasks中那些看似“奇怪”的指令，正是为了系统性地捕捉这些关键细节而设计。
从街道到训练集：骑手经验转化为AI的物理世界知识
回顾大模型发展历程，其训练核心长期依赖于互联网规模的文本、图像及公开视频数据，并通过人类反馈进行微调。这套范式主要解决的是模型的感知与语言生成能力。然而，当技术迈向多模态与具身智能时，此类数据便显露出局限性。
多模态与机器人模型需要的不再是抽象概念，而是具体的物理交互经验：应以何种角度与力度开门？不同材质物体的抓取策略有何不同？在动态街道环境中，哪些视觉线索对路径规划最为关键？
业界研究为此提供了佐证。Google DeepMind在RT-2论文中指出，尽管互联网规模的视觉-语言数据能增强机器人的语义理解，但要实现精确的动作控制，依然离不开机器人本体产生的轨迹数据——即感知信息与对应执行动作的配对。
（图源：Google）
这恰恰解释了Tasks模式的高效性。相较于坐在室内的标注员，外卖骑手天然深度融入复杂多变的现实场景。他们每日穿梭于不同商业区、住宅楼与后巷，对临时路障、隐蔽入口及最优路径拥有第一手的动态认知。由他们实时采集的数据，构成了极具价值的真实世界交互数据集。
（图源：supplychaindive）
从更深层看，此举是在为具身智能的演进积累基础燃料。正如DeepMind在阐述Gemini Robotics时所言，模型进入物理世界后，必须同步处理感知、空间推理、任务规划与运动控制，其复杂程度远超纯数字任务。当前机器人大模型研究的核心，正是如何让系统具备场景理解与灵活应对能力。实现这一目标，既需要广泛的背景知识，也离不开海量、高质量的真实操作数据。
选择外卖骑手参与数据采集，性价比之外，更关键的原因在于其无可替代的“地面经验”。即便雇佣专业团队进行场景复现，其数据的自然度与覆盖面，也难与每日在此环境中高频作业的骑手相媲美。
自动化配送的当下格局与未来路径
本质上，DoorDash的Tasks计划是企业快速构建现实世界数据壁垒、为自动驾驶与机器人技术储备底层燃料的战略工具。需指出的是，自动化配送本身已是进行时。
在中国市场，美团已将自动配送车与无人机投入规模化运营。根据其2025年披露的数据，截至2024年末，自动配送车已完成近500万订单，自动驾驶里程占比高达99%，为骑手节省了超过240万公里的奔波；无人机累计订单量也已突破45万单。这些数据表明，在校园、园区等结构化场景中，自动驾驶配送的效率已得到验证。
（图源：Forber）
在海外，Serve Robotics于今年3月宣布与White Castle合作，通过Uber Eats提供机器人配送服务，其机器人在美国多城市部署，并计划在2025年底前完成超2000台的落地。Starship Technologies的自动配送机器人累计完成订单也已超过900万次。
在此背景下，DoorDash激励骑手“喂养”AI数据的策略便显得更具战略纵深。目前，其自研的Dot配送机器人在有限场景中表现出较高成功率，但应对突发、非标场景的能力仍是瓶颈。机器人最难跨越的，正是那些招牌临时变更、取货点定位模糊等动态问题。作为行业巨头，DoorDash对此有清醒认知。
其策略的巧妙之处在于双线并行：一方面维持现有人力配送网络的稳定运行，并通过经济激励将骑手转化为数据采集节点；另一方面，利用这些数据持续优化AI模型，为未来自动驾驶配送机器人的大规模商用铺平道路。至少在中短期内，骑手依然是这个生态中不可或缺的一环。
（图源：BGR）
从长远看，随着现实数据不断积累与自动化技术迭代，人机关系可能从协同逐步转向替代。技术提升整体效率、将重复性劳动交给系统的大趋势毋庸置疑。然而，即时配送绝非简单的点对点运输，其中涉及大量需要即时沟通、复杂判断与应急处理的环节。因此，在可预见的未来，配送服务的“最后一公里”及其所面对的无限复杂场景，仍将高度依赖人类骑手的经验与临场决断能力。